تصور کنید تمام تنظیمات، تخصص‌ها و تاریخچه همکاری شما با یک تیم از دستیاران هوشمند، تنها با تغییر یک تب در مرورگر یا عوض کردن مدل، کاملاً پاک شود. شما با هر بار جابه‌جایی بین ابزارها، مجبورید دوباره خودتان و قوانین کاری‌تان را از صفر معرفی کنید.
به نقل از توسعه‌نده این پروژه، لوسیو لیو (Lucio Liu)، ابزار Agent Modpack در ۵ اوت ۲۰۲۶ برای پایان دادن به این «مالیات معرفی مجدد» منتشر شد. هدف این سیستم این است که تیم AI شما بتواند بدون از دست دادن هویت و حافظه، از یک پلتفرم به پلتفرم دیگر مهاجرت کند.
بیشتر کاربران با نقش‌های هوش مصنوعی مثل کارت‌های ساده‌ای از پرامپت‌ها برخورد می‌کنند؛ اما یک تیم عملیاتی به چیزی فراتر از یک شخصیت نیاز دارد. این تیم به حافظه بلندمدت، گزارش‌های مشترک و مرزهای مشخص قدرت نیاز دارد. در حال حاضر، تمام این دارایی‌ها در تاریخچه چت‌ها ذخیره می‌شوند و این یعنی مالکان پلتفرم — و نه کاربران — کنترل تداوم کار را در دست دارند. این چالش تداوم حافظه، ریشه در نقاط ضعف ساختاری مدیریت وضعیت در عامل‌ها دارد که در تحلیل معماری سه‌لایه برای جلوگیری از شکست عامل‌های AI به تفصیل بررسی کردیم.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی پروتکل‌های تبادل داده در مدل‌های زبانی اشاره کردیم، جداسازی لایه منطق از لایه رابط کاربری، کلید استقلال کاربر است. Agent Modpack دقیقاً همین کار را می‌کند؛ این ابزار دارایی‌های عملیاتی را به پوشه‌های محلی منتقل می‌کند. به جای تکیه بر سرویس‌های ابری، از یک لایه مبتنی بر فایل استفاده می‌کند که در آن نقش‌ها، قوانین همکاری و مهارت‌ها به صورت فایل‌های معمولی ذخیره می‌شوند. در نتیجه، هر ابزار AI که قابلیت خواندن فایل‌های محلی را داشته باشد، می‌تواند عملیات را با همین داده‌ها از سر بگیرد.
طبق مستندات این پروژه در Hugging Face، یک مخزن عمومی شامل نمونه‌ای از یک تیم کامل با ۲۱۸ فایل منتشر شده است. این مجموعه شامل موارد زیر است:
- یک نقش ارکستراتور (هماهنگ‌کننده) و دو نقش متخصص
- یک نقش «سازنده» (Builder) مخصوص خلق کارمندان جدید
- قالب‌های آماده برای کارمندان و فایل‌های حاکمیتی مشترک
- هفت مهارت متمایز برای همکاری تیمی
برای حفظ پایداری، این سیستم از یک جریان «پیش‌نمایش، اعمال، تایید و بازگشت» برای تغییرات ساختاری استفاده می‌کند. بر اساس گزارش‌های منتشر شده در dev.to، این سازوکار تضمین می‌کند که تغییرات در یک تیم فعال به‌صورت کورکورانه اتفاق نیفتد. لایه فنی این سیستم بر پایه Markdown برای محتوای روزمره، Python برای بررسی‌های ساختاری و Node.js برای ابزارهای ثبت وقایع (Logging) بنا شده است.
این رویکرد، فرض بنیادین درباره این موضوع که مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — دارایی اصلی است را تغییر می‌دهد. در این مدل، «کار پیرامونی» شامل فرآیندهای حاکمیتی و وضعیت‌های مشترک، ارزش واقعی است. با جدا کردن هوش تیم از رابط کاربری ابزار، کاربر دیگر هر بار که مدل سریع‌تر یا جدیدتری معرفی می‌شود، دچار بحران فقدان حافظه نمی‌شود. این تغییر پارادایم در نحوه تعامل با هوش مصنوعی، باعث شده تا مرز بین مهندسی کد و مدیریت عامل‌ها کمرنگ شود و اولویت‌ها از نگارش کد به بازبینی ساختارهای عامل‌محور تغییر یابد.
برای کسانی که هنوز آماده پیاده‌سازی یک سیستم کامل نیستند، توصیه می‌شود سه مورد حیاتی را از پنجره چت خارج کنند: توافق‌نامه‌های نقش، حافظه بلندمدت و قوانین همکاری. این‌ها اصلی‌ترین دارایی‌هایی هستند که در هر انتقال ابزار، در معرض نابودی قرار دارند.
کاربران علاقه‌مند می‌توانند این مجموعه داده را مستقیماً با دستور hf download از Hugging Face دریافت کنند. البته توجه داشته باشید که این منبع تحت لایسنس PolyForm Noncommercial 1.0.0 است و برای استفاده‌های تجاری آزاد نیست.
گام بعدی شما
- نقش‌های کلیدی تیم AI خود را از پرامپت‌های سیستمی به فایل‌های Markdown منتقل کنید.
- برای مدیریت حافظه بلندمدت عامل‌ها، یک پوشه محلی «دانش مشترک» ایجاد کنید.
- ساختار تیم نمونه در Hugging Face را بررسی کنید تا متوجه شوید چگونه مهارت‌ها را تفکیک کنید.
اما این تنها بخشی از معادله است؛ برای درک اینکه چگونه می‌توان حافظه محلی را به مقیاس سازمانی رساند، تحلیل ما درباره پایگاه‌داده‌های برداری را بخوانید.
گفتگو